Christo的博客

原创 论文阅读：Robust Structured Graph Clustering

基于图的聚类方法通过将数据样本划分为不相交的组，并利用相似性图来表征样本关系，已经取得了显著的性能。然而，它们的学习方案仍然存在两个重要问题：1）从原始特征直接构建的相似性图可能不可靠，因为现实世界的数据总是涉及不利的噪声、异常值和无关信息；2）大多数基于图的聚类方法采用两步学习策略，将相似性图的构建和聚类划分为两个独立的过程。在这种情况下，生成的图是无结构的且固定的。在RSGC中，可以通过划分学习到的相似性图直接获得离散的聚类标签，而无需依赖于大多数基于图的聚类方法所采用的标签离散化策略。

原创 论文阅读：FAST SPECTRAL CLUSTERING WITH SELF-WEIGHTED FEATURES

然而，传统的谱聚类模型计算复杂度高。在本文中，我们提出了一种新的快速谱聚类方法，名为自加权特征的快速谱聚类（FSCSWF），通过以低计算复杂度学习并为特征分配最优权重来实现良好的聚类性能。具体来说，FSCSWF从原始样本中选择锚点，然后在局部结构学习框架中交互式地学习特征权重和锚点与样本之间的相似性。这种交互式学习使得学习到的相似性能够更好地度量锚点之间的关系，并且由于最优权重的分配，数据点变得更具区分性。此外，嵌入了连通性约束，以确保通过学习到的相似性构建的二分图的连通分量可以直接指示聚类。

原创 ECCV:A Discriminative Feature Learning Approach for Deep Face Recognition

具体来说，中心损失同时学习每个类的深度特征的一个中心，并惩罚深度特征与其对应的类中心之间的距离。更重要的是，我们证明了所提出的中心损失函数在cnn中是可训练的和易于优化的。在软最大损失和中心损失的联合监督下，我们可以训练一个鲁棒的神经网络，尽可能地获得具有类间缺失和类内紧凑性两个关键学习目标的深度特征，这对人脸识别非常重要。令人鼓舞的是，我们的cnn（通过这样的联合监督）在几个重要的人脸识别基准上达到了最先进的准确性，野外标记人脸（LFW），

原创 pycuda 两个数组相减，数组里每个元素为一个一维向量

pycuda 两个数组相减，数组里每个元素为一个一维向量。

原创 python调用cuda核函数问题记录

python调用cuda核函数问题记录。

原创 CVPR:FreeU: Free Lunch in Diffusion U-Net论文阅读

本文揭示了扩散U-Net架构在提升生成质量上的潜力，并提出了一种名为FreeU的优化方法。FreeU通过重新加权U-Net架构中的跳连接（skip connections）和主干特征图（backbone feature maps），在不增加训练或推理成本的情况下，显著提高了扩散模型的生成质量。作者发现U-Net的主干主要负责去噪，而跳连接则主要引入高频特征。FreeU方法利用这一发现，通过调整两个缩放因子来平衡两种特征的贡献，从而增强了U-Net的去噪能力，并避免了因跳连接而导致的纹理过度平滑问题。

原创 TNNLS:Fast Self-Supervised Clustering With Anchor Graph论文阅读

我们提出了一个涉及这一关键半监督框架的快速自监督聚类方法，在该方法中，所有标签都是从一个具有完全k个连通分量的构建的二分图中推断出来的。所提出的方法显著加速了一般的半监督学习，并通过锚点包含四个重要部分：1）通过BKHK算法获得锚点集作为临时结果；2）构建二分图；3）解决自监督问题，使用FSSF构建典型的概率模型；以及4）从BKHK中选择最具代表性的点作为锚点作为临时结果，并进行标签传播。在玩具示例和基准数据集上的实验结果表明，所提出的方法优于其他方法。

原创 AAAI: Generalized Singular Value Thresholding论文阅读

这篇论文研究了与非凸函数g相关的广义奇异值阈值(Generalized Singular Value Thresholding, GSVT)算子Proxσ g (·)，定义为$\mathbf{Prox}_{g}^{\sigma}(\mathbf{B})=\arg\min_{\mathbf{X}}\sum_{i=1}^{m}g(\sigma_{i}(\mathbf{X}))+\frac{1}{2}\|\mathbf{X}-\mathbf{B}\|_{F}^{2},$，其中X的奇异值为σi(X)。作者证明了当g

原创 TIP:Matrix Completion Based on Non-convex Low Rank Approximation论文阅读

1 Abstract在论文 “Matrix Completion Based on Non-convex Low Rank Approximation” 中，作者提出了一种基于非凸低秩近似的矩阵补全方法。

原创 ICLR 2021：ALIENCYMIX: A SALIENCY GUIDED DATA AUGMENTATION STRATEGY FOR BETTER REGULARIZATION 论文阅读

我们提出了SaliencyMix，它通过利用显著图仔细选择一个有代表性的图像补丁，并将这个指示性补丁与目标图像混合，从而使模型学习到更合适的特征表示。SaliencyMix在ImageNet分类上为ResNet-50和ResNet-101架构分别实现了21.26%和20.09%的最佳已知top-1错误率，并提高了模型对对抗性扰动的鲁棒性。此外，使用SaliencyMix训练的模型还有助于提高目标检测性能。源代码可在 https://github.com/SaliencyMix/SaliencyMix 上获得

原创 NIPS:Efficient and Robust Feature Selection via Joint ` 2,1-Norms Minimization论文阅读

这篇论文提出了一种基于联合ℓ2,1-范数最小化的特征选择方法，旨在提高特征选择在机器学习应用中的效率和鲁棒性。：使用ℓ2,1-范数正则化可能使得模型的解释性降低，因为它涉及到多个特征的联合稀疏性，可能不如单个特征选择方法直观。：ℓ2,1-范数正则化促进了跨所有数据点的特征选择，实现了联合稀疏性，有助于选择出在多个样本中都重要的特征。：通过使用ℓ2,1-范数损失函数，该方法对数据点中的异常值具有较好的鲁棒性。：论文不仅提出了算法，还对算法的收敛性进行了理论分析，提供了数学上的保证。

原创 visionTransformer window平台下报错

【代码】visionTransformer window平台下报错。

原创 CVPR2024 : DeDoDe: Detect, Don’t Describe — Describe, Don’t Detect for Local Feature Matching论文阅读

总的来说，DeDoDe算法在提高关键点检测的一致性和特征匹配性能方面做出了显著的贡献，但也存在一些局限性，特别是在泛化能力和超参数调整方面。：DeDoDe通过直接从大规模结构从运动（SfM）重建中学习，提高了关键点的3D一致性，这对于3D重建和特征匹配非常重要。：由于DeDoDe在特定数据集（如MegaDepth）上训练，它在非直立图像或大旋转角度上的表现可能不是最优的。：虽然DeDoDe在性能上取得了提升，但它的实现和训练过程相对复杂，需要仔细设计训练目标和损失函数。

原创 Clustering and Projected Clustering with Adaptive Neighbors 论文阅读

同时学习相似性和聚类结构：CAN和PCAN算法不仅学习数据的相似性矩阵，还同时确定聚类结构，这有助于获得更准确的聚类结果。自适应邻居分配：算法通过基于局部距离的自适应邻居分配机制，为每个数据点学习最优的邻居，这有助于更好地捕捉数据的局部结构。

原创 Dimension Reduction for Non-Gaussian Data by Adaptive Discriminative Analysis 论文阅读

总体来说，ADA作为一种新的降维方法，在处理高维非高斯数据方面展现出了显著的优势，尤其是在保留局部结构和提高判别能力方面。然而，为了更广泛地应用ADA，未来的工作可能需要解决参数选择的问题，并在更多实际应用场景中验证其有效性。：ADA通过自适应方法选择邻居并同时测量样本的重要性，能够找到更加稳健和判别性的子空间，从而提高了对噪声数据的鲁棒性。：ADA提供了一个统一的框架，可以视为许多传统方法的特例，这为理解这些方法之间的关系提供了新的视角。

原创 TripoSR: Fast 3D Object Reconstruction from a Single Image 论文阅读

模型的主要参数，如变换器的层数、三平面的维度、NeRF模型的具体细节和主要训练配置，在表1中详细说明。TripoSR的算法流程结合了先进的数据处理、模型设计和训练技术，使其能够在不到0.5秒的时间内从单张图像中快速生成详细的3D网格。总体而言，TripoSR是一个强大的3D重建工具，它在速度和质量上都表现出色，但也需要考虑到其对计算资源的需求和在处理极端复杂场景时可能遇到的挑战。：通过精心策划的训练数据集和多样化的数据渲染技术，TripoSR提高了模型的泛化能力和对真实世界图像的适应性。

原创 FMix: Enhancing Mixed Sample Data Augmentation 论文阅读

使用生成的二进制掩码对数据集中的图像进行混合。具体来说，对于两个独立的随机变量X1和X2（代表数据集中的两个样本），使用掩码m进行元素级别的乘法操作，然后根据混合系数λ进行加权求和，得到增强后的样本。将上述灰度图像通过一个阈值操作转换为二进制掩码。这个阈值是根据给定的混合系数λ来设置的，以确保掩码的平均值为λ。这意味着在二进制掩码中，像素值根据其在灰度图像中的强度被设置为0或1。这可以通过对复数 随机变量进行低通滤波来实现，其中滤波器的衰减功率由参数δ控制。这一步骤生成了一个灰度图像。

原创 Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation 论文阅读

在这种方法中，首先在标注数据上训练一个模型，然后在未标注的数据上生成伪标签，将真实标注的实例粘贴到伪标注和标注数据中，并在这个新数据集上训练模型。数据高效：该方法能够提高模型的数据效率，使得在较少的训练数据上也能达到良好的性能，这对于数据稀缺的情况尤其有价值。根据需要调整粘贴后的目标图像中的标注信息，例如移除完全遮挡的对象，并更新部分遮挡对象的掩码和边界框。简单有效：复制粘贴增强方法简单直观，通过随机粘贴图像中的对象到其他图像上，有效提高了模型的性能。

原创 Learning Feature Sparse Principal Subspace 论文阅读

这是因为在低秩情况下，可以直接通过选择A中最大的k个特征值对应的特征向量来构建W，从而得到一个最优的稀疏主子空间。在每次迭代中，算法首先使用当前估计的W来构建代理矩阵Pt。这个代理矩阵Pt是通过AWt(WtAWt)†WtA（其中Wt是当前迭代的W）来计算的，它是一个低秩矩阵，其秩不超过m。这些特征向量构成了一个矩阵V，然后通过V与一个选择矩阵S相乘得到最终的W，其中S是根据特征值的大小选择特定行的矩阵。然后，算法使用Algorithm 1来解决代理矩阵Pt的FSPCA问题，得到新的Wt+1。

原创 meanshift论文学习

上式表明了均值漂移与核函数之间的关系。测试图像为800*800。

原创 python 报错问题汇总

重启pycharm。

原创 Guided Filter算法详解

参考1。

原创 Grid数据增强算法

【代码】Grid数据增强算法。

原创 setattr(self, k, getattr(det, k))函数详解

【代码】setattr(self, k, getattr(det, k))函数详解。

原创 retinaNet FocalLoss源码详解

【代码】retinaNet FocalLoss源码详解。

原创 深度学习计算iou代码深度剖析

【代码】深度学习计算iou代码深度剖析。

原创 深度学习中的梯度下降法

原创 拉普拉斯变换，傅里叶变换以及Z变化之间的关系

1 拉普拉斯变换与傅里叶变换的关系2 Z变换

原创 FPN网络的实现原理详解

FPN网络是一种常见的特征融合模块，在很多模型中都有运用，今天我们就结合代码和论文详细的搞清楚它到底是怎么一回事。

原创 Linux 复制或者移动超过20k文件的命令

Linux 复制超过20k文件的命令

原创 根据xml可视化目标框

根据xml可视化目标框

原创 将一个总的训练json文件转为单个xml文件

将一个总的训练json文件转为单个xml文件

原创 paddledetection yolo格式数据转换

paddledetection yolo格式数据转换

原创 基于PaddleDetection fairmot目标跟踪 C++ 部署

基于PaddleDetection fairmot C++ 部署

原创 使用paddleDetection框架进行模型训练以及部署

使用paddleDetection框架进行模型训练以及部署

原创 windows 平台下部署openpose

windows 平台下部署封装openpose

原创 PaddleDetection C++部署封装过程

PaddleDetection C++部署封装过程

原创 paddle 目标检测C++部署流程

paddle 目标检测C++部署流程

原创 windows平台下vector search算法caiss部署

windows平台下vector search算法caiss部署

原创 C++ 部署Paddle通用型的目标检测算法

C++ 部署Paddle通用型的目标检测算法